《Claude Code的Agent 记忆机制与主流大模型技术路线简析》

第一部分：五种记忆机制详解

一、滑动窗口（Sliding Window）

【技术特点】将对话历史视为线性数组，严格保留末尾N个Token或轮次，超出部分直接截断丢弃，不做任何语义处理。

【优点】实现逻辑最简单，零额外计算开销，响应延迟最低，无需额外存储空间。

【缺点】无法区分信息重要性，关键设定可能因位置靠后被无情丢弃；随着窗口增大，Token消耗线性增加，且无长期记忆能力。

二、对话摘要（Summary Memory）

【技术特点】定期调用LLM将冗长的历史对话压缩成简短摘要，仅将摘要保留在上下文窗口中，以此压缩信息密度。

【优点】相比滑动窗口能保留更多"精华"信息，显著节省Token占用，适合长文本连贯性任务。

【缺点】摘要过程本身消耗算力和Token；细节在压缩中不可逆地丢失；且LLM可能误判，将关键事实判定为"不重要"而丢弃。

三、向量检索（Vector/RAG Memory）

【技术特点】将历史对话转化为Embedding向量存入向量数据库，根据用户当前Query计算余弦相似度，召回Top-K相关片段塞入上下文。

【优点】突破了上下文窗口限制，理论上可以拥有无限长的记忆库；支持跨会话的信息检索。

【缺点】相似不等于相关，召回噪音极高；极度依赖Embedding模型质量；维护向量库、索引和模型成本高；且检索结果人类不可读，难以调试。

四、分层存储（MemGPT / Letta）

【技术特点】模拟操作系统内存管理，分为核心上下文（RAM）、回忆存储（Recalled）和归档存储（Archival），Agent需主动调用工具搬运数据。

【优点】概念上模拟了人脑的快慢思考，试图解决海量信息的存储和调度问题。

【缺点】架构极其复杂，调参难度极大；底层仍依赖向量检索，未能解决RAG的根本缺陷（噪音、幻觉）；迁移和维护成本过高。

五、Claude Code（龙虾记忆）—— 结构化文件方案

【技术特点】弃用向量库，采用"本地Markdown文件 + 索引"。分为静态层（CLAUDE.md指令）和动态层（自动记忆）。记忆强制分为四类（用户/反馈/项目/引用），写入时去重，检索时由模型根据索引描述选择Top-5文件加载。

【优点】无向量库维护成本，人可读可修改可版本控制；类型强制分类避免垃圾堆积；索引常驻+内容按需加载，Token利用率极高；具备老化（Stale）机制，防止过时信息误导。

【缺点】记忆量级达到数千条时，线性扫描索引会变慢（目前尚够用）；依赖文件系统持久化；需要精细设计写入逻辑，否则会产生脏数据。

------

第二部分：
主流大模型记忆技术路线归属：

当前各大厂产品多为混合方案，
以下是基于其核心机制的归类解析（主特点）：

1. Claude / Claude Code（Anthropic）

→ 第⑤种（结构化文件记忆）+ 第①种（超大上下文200K）

Claude Code 严格实现了第⑤种（本地MD文件+索引）；Claude.ai 网页端主要靠超大窗口+Projects文档注入，无公开本地持久化画像。

2. ChatGPT（OpenAI）

→ 接近第⑤种（用户Memory Profiles）+ 第③种（RAG）+ 第②种（摘要）

Memory开关开启后，服务端持久化结构化用户画像（理念同⑤），但封闭在服务端；对话内用摘要+128K上下文，历史超窗走向量召回。属于第⑤种的闭源变体。

3. Gemini（Google）

→ 第③种（RAG/Drive外挂）+ 第①种（超大上下文）

支持 Saved Info（简易KV记忆），本质是第③种为主，辅以超大上下文，无公开第⑤种本地文件机制。

4. DeepSeek（DeepSeek-V3）

→ 第①种（长上下文128K）+ 第③种（RAG外挂可选）

目前无公开的持久化跨会话记忆系统，全靠上下文窗口与用户自建RAG知识库。

5. Kimi（月之暗面）

→ 第①种（200K长上下文）+ 第②种（摘要延续）+ 第③种（文件知识库RAG）

跨会话记忆靠"笔记/知识库"RAG实现，属①+③混合，未实现第⑤种。

6. 豆包（Doubao / 字节跳动）

→ 第②种（摘要）+ 第③种（RAG）+ 雏形第⑤种（智能体跨会话记忆KV）

智能体内"记住设定"接近简化版第⑤种（服务端KV存储，非本地文件），主体仍是①+③。

7. 通义千问 / Qwen（阿里）

→ 第①种（128K上下文）+ 第③种（百炼RAG知识库）

通义APP"记住偏好"为简单结构化存储，属③为主，未达Claude Code第⑤种复杂度。

8. 腾讯元宝（Hunyuan）

→ 第①种 + 第③种（个人知识库RAG）+ 雏形第⑤种（记忆卡片/关键偏好抽取）

记忆卡片是服务端抽取保存的用户条目（简化第⑤种），底层仍依赖上下文+RAG。

9. MemGPT / Letta（学术/开源原型）

→ 第④种（分层存储）

目前业内商业产品极少直接套用此复杂架构，多处于实验阶段。

------

第三部分：

几个主要模型的核心记忆类型一句话点评：

Claude Code：
⑤ + ① 工程派极致，用文件索引换可控性

ChatGPT：
⑤理念 + ③ + ② 产品化最强，服务端隐形记忆

Gemini：
③ + ① 生态绑定最深，Drive即记忆

DeepSeek：
① + ③ 硬核长窗口，轻量记忆依赖

Kimi：
① + ② + ③ 长文本之王，记忆靠外挂

豆包/元宝：
③ + 简化⑤ 应用导向，简化版画像记忆

MemGPT： 
④ 理论优美，但落地困难.

核心记忆机制的总体趋势：
从早期的纯滑动窗口（①），演进到摘要（②）与RAG（③）的混合，再到如今头部厂商尝试构建用户级的持久化画像（简化⑤）。
真正完全落地第⑤种（Claude Code式结构化文件记忆）的目前仍是极少数，大多数产品仍在第③种（RAG）与第①种（大上下文）之间寻找平衡。